基于CRV-YOLO的苹果中心花和边花识别方法

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRV-YOLO的苹果中心花和边花识别方法。本文基于YOLO v5s模型进行了如下改进:将C-CoTCSP结构融入Backbone,更好地学习上下文信息并提高了模型特征提取能力,提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。在Backbone中添加改进RFB结构,扩大特征提取感受野并对分支贡献度进行加权,更好地利用了不同尺度特征。采用VariFocal Loss损失函数,提高了模型对遮挡等场景下难识别样本检测能力。在3个品种1837幅图像数据集上进行了实验,结果表明,CRV-YOLO的精确率、召回率和平均精度均值分别为95.6%、92.9%和96.9%,与原模型相比,分别提高3.7、4.3、3.9个百分点,模型受光照变化和苹果品种影响较小。与Faster R-CNN、SSD、YOLOX、YOLO v7模型相比,CRV-YOLO的精确率、平均精度均值、模型内存占用量和复杂度性能最优,召回率接近最优。研究成果可为苹果智能疏花提供技术支持。

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

基于顶芽智能识别的棉花化学打顶系统研究

设计了基于顶芽智能识别的棉花化学打顶系统,为实现精准作业,合理高效使用棉花化学打顶药剂,以减少因化学打顶剂的过度使用造成的环境污染。该系统主要由棉花顶芽识别系统、控制系统和喷施系统组成。采用YOLO v5s算法构建棉花顶芽识别模型。控制系统采用STM32F407单片机,负责接收识别系统的信号,并对各个棉花打顶剂管道进行控制。同时,显示界面能够实时显示机具行驶速度、药液流量、打顶剂液位等参数。试验结果表明,在田间全天光照试验中,上午和下午时间段识别效果最优;在速度0.4 m/s下,平均识别率约为94%;信号发送区间为100 mm时,成功向下位机发送信号的成功率达到92%;田间对靶喷施试验表明,有效喷施率为94%,满足作业要求。

线上线下双模式教育的应用——以机械电子工程专业必修课《热力学与传热学基础》为例

后疫情时代,为适应教学要求,逐渐衍生出线上线下双模式的教学方式。本文以机械电子工程专业的必修课《热力学与传热学基础》为例介绍了线上线下双模式教育在教学中的应用。首先介绍了《热力学与传热学基础》这门专业必修课的主要授课内容、学习目标和考核标准,其次以理想气体基本热力学过程的p-v图和T-s图为例,说明了双模式教育的应用为教学带来的好处。

基于轻量化YOLO v8s-GD的自然环境下百香果快速检测模型

为了提高百香果检测精度,并将深度学习模型部署在移动平台上,实现快速实时推理,本文提出一种基于改进YOLO v8s的轻量化百香果检测模型(YOLO v8s-GD)。使用聚集和分发机制(GD)替换颈部特征融合网络,提高模型对百香果图像特征信息跨层融合能力和模型泛化能力;通过基于层自适应幅度的剪枝(LAMP)修剪模型,损失一定精度换取减小模型体积,减少模型参数量,以实现在嵌入式设备上快速检测;运用知识蒸馏学习策略弥补因剪枝而损失的检测精度,提高模型检测性能。实验结果表明,对于自然环境下采集的百香果数据集,改进后模型参数量和内存占用量相比原YOLO v8s基线模型分别降低63.88%和62.10%,精确率(Precision)和平均精度(AP)相较于原模型分别提高0.9、2.3个百分点,优于其他对比模型。在Jetson Nano和Jetson Tx2嵌入式设备上实时检测帧率(FPS)分别为5.78、19.38 f/s,为原模型的1.93、1.24倍。因此,本文提出的改进后模型能够有效检测复杂环境下百香果目标,为实际场景中百香果自动采摘等移动端检测设备部署和应用提供理论和技术支持。

自动化立体仓库控制系统的设计

自动化立体仓库作为典型的PLC控制系统,在现代企业中的应用越来越广泛,涉及的内容包括PLC、变频器、伺服系统、检测技术等多个方面。以西门子S7-1200系列PLC作为控制核心,选择SINAMICS V90伺服驱动系统进行位置控制和速度控制,基于实验柜和小型3×3仓位单元的实训设备,搭建立体仓库控制系统,具有手动、自动两种工作模式,结合触摸屏的显示与控制,能够实现立体仓库仓位定位、入库、出库等操作。经过实训教学设备调试,该系统能够实现货物自动化存取,运行稳定。

基于改进YOLO v8s的羊只行为识别方法

羊只站立、行走、采食等日常行为与其健康状况密切相关,高效、准确的羊只行为识别有助于疾病检测,对实现羊只健康预警具有重要意义。针对目前羊只多行为识别检测大多基于传感器等接触式设备,羊只活动受限,行为具有局限性,且群体养殖环境下,羊只行为多样、场景复杂、存在遮挡等造成的行为识别精度低等问题,提出了一种基于改进YOLO v8s的羊只行为识别方法。首先,引入SPPCSPC空间金字塔结构增强了模型的特征提取能力,提升了模型的检测精度。其次,新增P2小目标检测层,增强了模型对小目标的识别和定位能力。最后,引入多尺度轻量化模块PConv和EMSConv,在保证模型识别效果的同时,降低了模型参数量和计算量,实现了模型轻量化。实验结果表明,改进YOLO v8s模型对羊只站立、行走、采食、饮水、趴卧行为平均识别精度分别为84.62%、92.58%、87.54%、98.13%和87.18%,整体平均识别精度为90.01%。与Faster R-CNN、YOLO v5s、YOLO v7、YOLO v8s模型相比,平均识别精度分别提高12.03、3.95、1.46、2.19个百分点。研究成果可为羊只健康管理和疾病预警提供技术支撑。

基于注意力机制的轻量化YOLO v5s蓝莓检测算法

为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA(Multi‐head self‐attention,多头自注意力)替换了SPPF(Spatial pyramid pooling‐fast,快速空间金字塔池化)前面的C3模块,使模型学习到更全面的特征表示,增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后,在C3模块中加入了S-PSA(Sequential polarized self‐attention,顺序极化自注意力),以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明,改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点,平均精度提升2.7百分点,模型参数量减少76.0%。与当前主流轻量化目标检测模型相比,改进后的模型性能更加优越,能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。

光伏-直流智能充电桩有序充电策略与应用效果

在双碳目标的指引下,建筑屋顶可作为分布式光伏的重要场景,同时汽车电动化是交通领域减碳的关键举措。然而,大量光伏出力和电动汽车充电需求在时间上的不匹配,给电网稳定性带来较大压力。提出一种光伏-直流智能充电桩的有序充电策略,在满足充电需求的基础上,减少外网供电,可有效提高光伏自消纳能力和负荷满足率。以北京市某办公建筑为例,通过实验测试和模拟计算,分析了不同天气条件下系统运行效果。结果表明,该充电策略可以完全利用建筑光伏满足电动汽车充电需求,无须向外网取电,即负荷满足率可达100%。与传统恒功率充电方式相比,光伏消纳率提高了42%,光伏最大并网功率下降了54%,为建筑光伏高效利用和交通领域电气化提供借鉴和参考。

基于改进YOLO v8的番茄叶片病害检测算法

针对番茄叶的各类病斑难以区分、识别效率低等问题,提出一种基于YOLO v8s网络改进的病害检测算法BKW-YOLO v8s。首先,将主干网络中的Conv和C2f分别用KWConv和重新设计的C2f_KW模块代替,将KernelWarehouse卷积模块与主干网络原有的Bottleneck结构相融合,提高了模型的计算效率。其次,为了有效地提升神经网络表征能力,引入将通道层次与空间层次并联且加权融合的BAM注意力机制,使模型在不同的图像上都能取得良好的效果,更具有适应性。最后对模型的损失函数进行优化,使模型能更加准确地处理不同目标之间的差异,从而获得分类性能的提升。通过在番茄叶病害数据集上进行试验,结果表明,改进后的BKW-YOLO v8s算法与传统的YOLO v8s相比,准确率提升了2.8百分点、召回率提升了3.0百分点、mAP@50提升了2.8百分点、达到92.0%,且计算量降低了33%。本研究改进后的模型在番茄叶片图像的病害检测方面具有更高的准确度和稳定性,不仅能够更准确地定位和识别目标,而且有效地降低了漏检和误检率。本研究所提方法不仅优化了资源利用效率,也为番茄叶病害的检测提供了有力的技术支持,对未来提高番茄生产率具有重要意义。

基于改进YOLO v5方法的电力设备红外图像识别方法

为解决电力设备红外图像有遮挡、分类不准确和特征提取不充分等问题,本文提出一种改进的YOLOv5识别方法。首先通过迁移学习的方法,将电力设备可见光图像和红外图像相融合,接着将Triplet注意力机制嵌入到特征提取网络中,对关键特征信息进行加权强化,最后通过多尺度融合的方法实现不同目标的识别。研究结果表明:相对于Faster R-CNN和SSD,本文方法的识别精度和识别效率最高,且适应于复杂背景下的多类型电力设备识别;本文方法的模型仅4.1 MB,相较于SSD缩减了80.8%,实现了网络模型的轻量化。本文方法为电力设备红外图像智能检测提供了新颖可行的方案。

活化富集对土壤样品微生物菌群组成的影响

地球上的微生物绝大多数仍处于未培养状态。微生物的分离培养有助于新物种资源、新天然产物的发现和应用,也有助于对微生物开展生理生化、代谢潜能、演化和生态功能等方面的基础研究。活化富集对于自然生境中微生物的分离培养至关重要。本研究通过16S rRNA基因V3~V4区扩增子测序和宏基因组测序分析了土壤样品不同培养基(WB、PJ、WB/10和PJ-M)、不同活化时长(1~29 d)和不同活化条件(有氧和厌氧)对微生物活化富集的影响。发现活化培养基、培养条件和活化时间的不同会显著影响活化富集后样品的菌群组成。其中,采用营养成分浓度相对较低的培养基(WB/10)、延长活化时长(活化5~29 d)有利于提高活化富集后样品微生物群落的多样性,以及CPR等微生物暗物质的活化及检出。对后续微生物,特别是微生物暗物质的分离培养具有一定的指导作用。

多尺度特征与注意力检测头的轻量化FOD检测

针对现阶段机场跑道异物碎片(FOD)目标检测算法存在的缺陷,进行了降低参数量和提高精度的改进。以你只看一次(YOLO)v5s目标检测算法为基础,提出多尺度特征与注意力检测头的轻量化FOD检测算法。首先,提出一种全新的轻量化网络结构。该结构使用深度可分离卷积和逐点卷积,并设计大卷积核架构,使模型感受野提升,从而解决大量特征图冗余问题。接着,融合多尺度特征图。通过移除大目标检测层、增加小目标检测层,在提升小目标检测能力的同时降低网络参数量。最后,提出一种动态头部框架来统一目标检测头和注意力,通过连贯地结合多个自注意力机制,进一步提升了网络检测精度。试验结果表明:所提出的使用鬼影卷积大卷积核架构下的多尺度特征注意力检测头的YOLOv5s(GRD-YOLOv5s)网络的参数量减少为3.39 MB,仅为原网络的48%;平均检测精度从98.40%提升至99.45%;检测速度为53.42帧/秒。该网络的提出为实现对小目标的准确检测提供了新思路。

改良倒“V”形切口在腮腺肿瘤切除治疗中的应用及美学效果观察

目的:探究改良倒“V”形防皱切口腮腺肿瘤切除术的临床及美学效果。方法:选取2016年10月-2019年10月笔者医院收治的60例腮腺肿瘤患者为研究对象,按随机数字表法分为观察组和对照组,各30例。对照组采用常规“S”切口进行腮腺肿瘤切除,观察组采用改良倒“V”形防皱切口进行腮腺肿瘤切除。比较两组手术时间、术后当日引流量、术中出血量、住院时间、手术切口长度、术后美学效果[温哥华瘢痕量表(Vancouver scar scale,VSS)、患者瘢痕评价量表(Patient scar appraise scale,PSAS)、观察者瘢痕评价量表(Observer scar assessment scale,OSAS)]、生活质量(华盛顿医科大学生存质量量表)及并发症发生率。结果:观察组手术切口长度低于对照组(P<0.05)。术后3、6个月,观察组VSS、PSAS、OSAS评分低于对照组(P<0.05)。术后6个月,观察组外貌、表情评分低于术前,但高于对照组(P<0.05);两组术后疼痛、活动能力、娱乐、肩部功能、工作、咀嚼、语言清晰度评分均低于术前(P<0.05),但组间比较,差异无统计学意义(P>0.05)。两组并发症总发生率比较差异无统计学意义(P>0.05)。结论:改良倒“V”形防皱切口能明显改善腮腺肿瘤切除患者术后美学效果,且有较高的安全性,临床价值较高。

基于改进YOLO v5的混凝土桥梁裂缝轮廓提取研究

裂缝是混凝土桥梁的常见病害之一,当前主要依靠人工实施检测,存在效率低和准确率低等问题,研究自动化、智能化的裂缝检测方法一直是行业的热点问题。文章提出了一种改进YOLO v5的深度学习方法可以解决当前桥梁裂缝检测误检率高实时性差的问题。首先,我们将YOLO v5中主干网络替换为残差网络,进而加深网络的深度,通过残差连接使网络学习更复杂的特征;然后,在颈部网络结构的最后一层使用GCNet网络结构,通过全局相关层,将全局信息编码到每个位置的特征中,可以更好地捕捉裂缝的轮廓和细节。实验表明,该方法能够快速准确地检测出裂缝,且误检率较低,精确率可达到67.1%,比原始网络提高了9.2%,在混凝土桥梁裂缝轮廓提取任务中展现了出色的性能。

基于改进YOLO v5的轻量级果园苹果检测算法

为了解决苹果采摘机器人识别算法中涉及到的复杂网络架构及大量参数占用内存巨大、计算需求庞大所导致的检测模型反应缓慢等问题,提出一种改进YOLO v5模型的轻量级果园苹果检测算法。首先,使用带有SE注意力机制的DepthSepConv模块和改进的Fast-C3模块对YOLO v5的Backbone网络部分进行重组,保持较高的精确率的同时减小模型体积;其次,用改进的Fast-C3模块替换整个Neck部分的C3模块,提高模型的准确率;替换颈部网络的普通卷积为Ghostconv,进一步降低模型的参数量与体积;最后,引入SIoU损失函数,使回归精确率和收敛速度得到提高。试验结果表明,该模型对苹果检测mAP为94.0%、模型计算量为8.4G FLOPs、体积仅为7.3 M。对比YOLO v5原模型,在mAP提高0.3百分点的情况下,计算量降低46.84%,模型体积缩减49.31%。于嵌入式平台上进行应用测试,实时检测速率达到了18.76帧/s,约为原模型检测速率的1.5倍。因此,优化后的YOLO v5轻型模型不仅提升了识别准确性,并明显减少了计算负载量与模型大小,使得它能在嵌入式设备上快速有效地捕捉并分析复杂果园场景下的苹果信息。

基于S7-300PLC的净水厂V型滤池控制系统设计思路探究

净水厂是城市供水的主要来源,净水厂出厂水质的安全可靠是确保安全饮用水的首要任务。滤池是净水厂工艺流程中水处理关键环节,对出厂水质产生直接影响。随着科技的发展和进步,实现净水厂滤池自动化高效运行,本文围绕基于S7-300 PLC的净水厂V型滤池控制系统设计展开一系列的探讨,分析研究了净水厂V型滤池在正常过滤过程和反冲洗功能的难点和解决方法,并实现净水厂V型滤池在正常过滤过程和反冲洗功能控制系统精确控制,经过三亚市某水厂的实际运行检验,系统可靠稳定,同时使得净水厂出厂水质符合生活饮用水标准,希望能给净水厂V型滤池控制系统设计上带来一些帮助。

基于工程限速和尽端式车站布置的广珠澳高铁速度目标值研究

高速铁路速度目标值对线路走向、工程投资、运营效果等影响较大。随着600 km/h磁浮列车下线、成渝中线高铁400 km/h标准的研究和推进,我国高铁技术正向集成化和高速化方向进一步发展。更高速度等级的高铁对线路平顺性、动车组加减速性能、列控系统等提出了更高的要求。但与此同时,高速铁路大多引入发达城市主城区,受建构筑物及拆迁、站间距等工程控制,采用大曲线半径和较高速度目标值工程投资过大,且实际运营亦无法达速。广珠澳高速铁路是粤港澳大湾区内珠江东岸南北向重要的高铁通道,北端广州北至白云机场段距离仅为17.7 km,建构筑物林立;南端珠海鹤洲至横琴段距离仅为22.3 km,且横琴站为线路尽端式车站,所有列车均需在横琴站起停车。功能定位的重要性与工程条件的局限性相互矛盾,需合理确定其速度目标值。首先,结合400 km/h高铁创新发展技术分析得出,广珠澳高铁通道若采用400 km/h方案较350 km/h方案旅行时间仅节省2 min,工程投资需增加13.2亿元,路网协调匹配性差且存在技术风险;其次,从路网协调匹配性、工程投资、运营效果、客流影响、经济效益等方面对广珠澳高铁采用250,300,350 km/h三个速度目标值方案进行比选,得出广珠澳高铁通道宜采用350 km/h速度目标值方案;进而,根据工程条件并结合列车模拟牵引计算,分别研究得出广州北至白云机场段宜采用梯级限速200 km/h方案、鹤洲至横琴段宜采用350 km/h方案,由于所有列车均需在横琴站起停车,横琴进站端可采用小曲线半径改善线路引入条件、节省工程投资。研究结论有力地支撑了广珠澳高铁选择更合理的建设方案,同时为其他类似项目提供了思路和借鉴。

基于YOLO v5s的茶叶病虫害检测方法

茶叶病虫害是影响茶叶产量和质量的主要因素之一,茶叶病虫害的准确检测是有效治疗的前提。针对茶叶病虫害检测,通过基于YOLO v5s的算法对已知病虫害叶片的学习,获得能识别茶叶病虫害类别的检测模型。通过实验表明,基于YOLO v5s的检测模型比常用的Faster-RCNN在部分茶叶病虫害上具有更好性能,在实验环境下,对greenleafcicada、teainchworm等病虫害检测准确率超过了70%,对开发茶叶病虫害检测应用具有重要意义,同时,对提升茶叶产量和质量具有重要价值。

cyclin E、p53、CD44s、CD44v6与早期乳腺癌的相关性及预后预测分析

目的分析肿瘤组织的细胞周期素E(cyclin E)和p53、CD44s、CD44v6蛋白与早期乳腺癌的相关性及预后预测价值。方法选取2018年7月—2020年7月喀什地区第二人民医院收治的80例临床分期为Ⅰ~Ⅱ期的早期乳腺癌患者进行回顾性分析,将其分为恶性组;另选取同期喀什地区第二人民医院收治的80例通过病理学检验确诊为良性乳腺肿瘤患者,将其分为良性组。分别对两组患者留存的肿瘤组织进行免疫组化检测,检测cyclin E、p53、CD44s、CD44v6表达,并对比上述指标的阳性率,应用Spearman相关分析方法分析cyclin E、p53、CD44s、CD44v6与早期乳腺癌的相关性。所有患者均采取手术治疗,随后对80例早期乳腺癌患者进行3年随访,依照随访结果将患者分为2个亚组,即预后不良组(n=25)和预后良好组(n=55),对比两组患者一般临床特征及cyclin E、p53、CD44s、CD44v6阳性率,并应用Logistic回归分析cyclin E、p53、CD44s、CD44v6对早期乳腺癌预后的预测价值。结果恶性组患者cyclin E、p53、CD44s、CD44v6阳性率分别为42.50%、61.25%、77.50%、81.25%,明显高于良性组1.25%、5.00%、10.00%、12.50%(P<0.05);Spearman相关分析结果显示:cyclin E、p53、CD44s、CD44v6与早期乳腺癌呈正相关(P<0.05);预后良好组与预后不良组患者绝经情况、年龄、病理类型、治疗方式、三阴性乳腺癌、肿瘤大小、组织分化程度对比,差异无统计学意义(P>0.05),预后良好组与预后不良组患者临床分期、cyclin E、p53、CD44s、CD44v6阳性例数对比,差异有统计学意义(P<0.05);Logistic回归分析结果表明:cyclin E、p53、CD44s、CD44v6阳性表达为影响早期乳腺癌预后的独立影响因素(P<0.05)。结论cyclin E、p53、CD44s、CD44v6表达水平与乳腺癌的发生、发展具有明显关系,且上述指标呈阳性表达为早期乳腺癌预后不良的独立预测因素。